A Framework for Argumentation-Based Agent \nNegotiation in Uncertain Settings
Notice bibliographique
Résumé
Automated negotiation technologies are being increasingly used in business applications, especially in the e-Commerce domain. Argumentation-Based Negotiation (ABN), among the existing approaches, has been distinguished as a powerful approach to automated negotiation due to its ability to provide more sophisticated information (arguments) that justifies and supports agents’ proposals in order to mutually influence their preference relations on the set of offers, and consequently on the negotiation outcome. During the recent years, argumentation-based negotiation has received a considerable attention in the area of agent communication. However, current proposals are mostly concerned with presenting protocols for showing how agents can interact with each other, and how arguments and offers can be generated, evaluated and exchanged under the assumption of certainty. Therefore, none of these proposals is directly targeting the agents’ uncertainty about the selection of their moves nor designing the appropriate negotiation strategies based on this uncertainty in order to help the negotiating agents better make their decisions in the negotiation settings where agents have limited or uncertain information, precluding them from making optimal individual decisions. In this thesis, we tackle the aforementioned problems by advocating an Argumentation-Based Agent Negotiation (ABAN) framework that is capable of handling the problem of agents’ uncertainty during the negotiation process. \n We begin by proposing an argumentation framework enriched with a new element called agent’s uncertainty as an important parameter in the agent theory to allow negotiating agents to decide which moves to play and reason about the selection of these moves under the assumption of uncertainty. Then, a method for agents’ uncertainty assessment is presented. In particular, we use Shannon entropy to assess agent’s uncertainty about their moves at each dialogue step as well as for the whole dialogue. Negotiation strategies and agent profiles issues are also explored and a methodology for designing novel negotiation strategies and agent profiles under the assumption of uncertainty is developed. Moreover, two important outcome properties namely, completeness and Nash equilibrium are discussed. Finally, the applicability of our framework is explored through several scenarios of the well-known Buyer/Seller case study. The obtained empirical results confirm the effectiveness of using our uncertainty-aware techniques and demonstrate the usefulness of using such techniques in argumentation-based negotiations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,008 |
| Communication savante | 0,009 | 0,008 |
| Science ouverte | 0,006 | 0,007 |
| Intégrité de la recherche | 0,006 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».